CN114140830A - 一种基于循环肿瘤细胞图像的重复识别抑制方法 - Google Patents
一种基于循环肿瘤细胞图像的重复识别抑制方法 Download PDFInfo
- Publication number
- CN114140830A CN114140830A CN202111499901.6A CN202111499901A CN114140830A CN 114140830 A CN114140830 A CN 114140830A CN 202111499901 A CN202111499901 A CN 202111499901A CN 114140830 A CN114140830 A CN 114140830A
- Authority
- CN
- China
- Prior art keywords
- repeated
- image
- circulating tumor
- tumor cell
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 208000005443 Circulating Neoplastic Cells Diseases 0.000 title claims abstract description 26
- 230000005764 inhibitory process Effects 0.000 title claims abstract description 22
- 210000004027 cell Anatomy 0.000 claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 230000001629 suppression Effects 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims abstract description 3
- 238000012545 processing Methods 0.000 claims abstract description 3
- 239000007850 fluorescent dye Substances 0.000 claims abstract 2
- 238000003384 imaging method Methods 0.000 claims abstract 2
- 206010028980 Neoplasm Diseases 0.000 claims description 18
- 201000011510 cancer Diseases 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 abstract description 11
- 230000006870 function Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 230000002401 inhibitory effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 210000004881 tumor cell Anatomy 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 206010008342 Cervix carcinoma Diseases 0.000 description 2
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 2
- 201000010881 cervical cancer Diseases 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 102000018651 Epithelial Cell Adhesion Molecule Human genes 0.000 description 1
- 108010066687 Epithelial Cell Adhesion Molecule Proteins 0.000 description 1
- 241000270295 Serpentes Species 0.000 description 1
- 230000001464 adherent effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000003888 boundary cell Anatomy 0.000 description 1
- 210000005266 circulating tumour cell Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 102000034287 fluorescent proteins Human genes 0.000 description 1
- 108091006047 fluorescent proteins Proteins 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
Description
技术领域
本发明涉及肿瘤细胞检测识别技术领域,更具体的说是涉及一种基于循环肿瘤细胞图像的重复识别抑制方法。
背景技术
癌症的高发率和致死率已经成为危害人类生命健康的大敌,仅2018年一年全球癌症新发病例就有1810万例,癌症死亡病例960万例。因此能够及时发现肿瘤细胞的存在就成了防控癌症的重要手段。随着各种检测技术的发展,癌细胞图像的检测方法也是层出不穷。从阈值分割、K均值聚类、灰度共生矩阵、Snake模型等经典图像处理方法到目前流行的深度神经网络等机器学习方法都在癌细胞检测方面得到了很好的应用。
经典图像处理方法在处理癌细胞图像时存在明显的精度不足,深度神经网络的出现很好的解决了这一问题,但是其自身又存在算法运行耗时、判断前需要进行预处理和特征提取等问题。目前的癌细胞图像检测一般都是用经典方法进行预处理和特征提取,然后再利用深度学习方法进行判断识别。无论是采用什么方法,在预处理过程中或多或少都会出现一些重复识别的现象,这不管是对最终的结果还是对于检测的速度都有一定的影响。因此,能够有效地抑制重复识别的出现对于提高癌细胞检测效率具有十分重要的意义。
CN201510489742基于定义圆HSV颜色空间的医学图像分割方法及癌细胞识别方法:在RGB色彩空间中找出图像目标颜色像素P和背景颜色像素Q的RGB值和位置信息,将基于RGB色彩空间的图像转换到HSV色彩空间。根据所存储的像素P的位置信息,将像素P所对应的(H,S)作为定义圆的圆心坐标,并设置定义圆的半径;根据所存储的像素Q的位置信息,提取像素Q所对应的H、S、V值赋值给定义圆内的所有像素点,实现目标颜色的去除。将去除目标颜色后的基于HSV色彩空间的图像转换回RGB色彩空间,从而实现对去除目标颜色的图像进行分割,其利用颜色特征对图像进行分割处理,在颜色界限模糊的区域,会出现过度分割的情况,从而将一个细胞识别为多个细胞,导致最终的检测结果无法反映细胞的真实数量,使得检测精度降低。
CN201810255865一种基于卷积神经网络的宫颈癌细胞图片识别算法:进行宫颈细胞TCT图片的粗分割;粗分割后图片输入卷积神经网络模型进行训练;保存训练好的网络模型获取最终识别结果,通过对TCT图片进行粗分割,很容易造成粘连细胞多次分割,边界模糊细胞重复分割的情况。分割后的图像需要通过网络进行判断,由于网络会对每幅输入图像进行识别,因此重复识别就难以避免。同时,由于进行多次网络判断会导致识别的速度变慢,也无法通过检测结果量化癌细胞的真实情况。
CN201810793772一种子宫颈癌细胞再识别诊断方法:先对采集到的子宫颈细胞图像进行预处理,提取细胞形态和色度特征,并表示为向量。利用特征提取后得到的样本训练出识别机制M1和M2,构成平衡邻域分类器M。其中,M1用于判别是否为癌变细胞,M2用于确定癌变种类。实际检测时提取细胞特征用向量表示,将其向量参数输入平衡邻域分类器M中进行判别,利用M1判别是否为癌变细胞,对癌变细胞再利用M2确定癌变种类,在网络判断之前需要进行预处理和特征提取,由于存在细胞区域边界模糊的细胞,预处理和特征提取可能会重复抽取同一区域的特征,影响了特征提取的效率。同时,这也增加了分类器的负担,影响最终的识别准确率。
因此,如何提供一种准确率高、判断效率高的一种肿瘤细胞检测方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种准确率高、判断效率高的一种基于循环肿瘤细胞图像的重复识别抑制方法。
为实现上述目的,本发明提供如下技术方案,主要包括:
优选的,在上述一种基于循环肿瘤细胞图像的重复识别抑制方法中,所述步骤S3中的深度神经网络是以卷积神经网络为例搭建网络结构模型。
优选的,在上述一种基于循环肿瘤细胞图像的重复识别抑制方法中,所述网络结构模型包括:卷积层、池化层、全连接层和softmax层。
优选的,在上述一种基于循环肿瘤细胞图像的重复识别抑制方法中,所述卷积层局部感受野窗口大小设置为5×5,步长为1,采用Relu作为激活函数。
优选的,在上述一种基于循环肿瘤细胞图像的重复识别抑制方法中,所述池化层窗口大小为2×2,步长为2。
优选的,在上述一种基于循环肿瘤细胞图像的重复识别抑制方法中,所述全连接层采用Sigmoid函数作为激活函数,为了避免过度拟合,在神经网络训练过程中对全连接层采取弃权操作,弃权比例设置为0.5。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于循环肿瘤细胞图像的重复识别抑制方法,
1)本发明提出的基于循环肿瘤细胞(CTC)图像的重复识别抑制方法采用重复识别抑制算法,可以有效降低癌细胞图像识别过程中重复识别的出现,提高了检测的精度。
2)本发明将重复识别抑制算法结合到预处理过程中,使得预处理效果得到提升,并且可以与多种预处理方法结合,都能达到减少重复识别的效果,具有普适性。
3)本发明提出的基于循环肿瘤细胞(CTC)图像的重复识别抑制方法在预处理过程中减少了重复识别,使得输入后级神经网络的图像更加精确,减少了网络重复判断带来的复杂计算,提高了判断效率,最终的检测结果也得到了保证。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明的总体流程示意图。
图2附图为本发明的重复识别抑制算法示意图。
图3附图为本发明的重复识别抑制效果示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅附图1-3,为本发明公开的一种基于循环肿瘤细胞图像的重复识别抑制方法。
实施例一
1、实施过程中使用的图像数据由德路通生物科技有限公司提供,数据通过CellCollector采样针临床采集。采集时选择上肢肘部静脉进行穿刺,将CellCollector连接并固定在采样针上,并停留在血液中30分钟。功能区表面的EpCAM抗体能够特异性捕获30分钟内流经功能区的CTC。
2、将针上采集的数据利用荧光蛋白进行染色并且显微成像,得到可供检测的图像数据。
3、为了表现出重复识别抑制算法的效果,选取了5幅容易产生重复识别的图像作为测试数据。
4、重复识别抑制预处理:利用融合了重复识别抑制算法的预处理方法对图像进行初步筛选,得到疑似癌细胞的目标区域。截取并保存这些图像。
5、搭建深度网络模型:实施过程中以卷积神经网络(CNN)为例搭建网络结构模型。网络包括两个卷积层、两个池化层、一个全连接层和一个softmax层。卷积层局部感受野窗口大小设置为5*5,步长为1。第一层卷积层深度为32,第二层卷积层深度为64,均采用Relu函数作为激活函数。池化层窗口大小设置为2*2,步长为2。全连接层采用Sigmoid函数作为激活函数。为了避免过度拟合,在神经网络训练过程中对全连接层采取弃权操作,弃权比例设置为0.5。
6、将截取得到的图像送入上述训练好的卷积神经网络进行判断,将判断为癌细胞的图像的位置信息返回并保存。
7、根据返回的位置信息在原始图像中用方框标记出癌细胞,即为最终检测结果。
8、将使用了重复识别抑制算法的结果和未使用的结果进行比较,发现原来检测结果中出现的11处重复识别被全部消除。
本发明具有以下特点:本发明采用重复识别抑制算法,减少了癌细胞检测过程中重复识别的出现,本发明将重复识别抑制方法和预处理方法融合,使得预处理结果更加准确,本发明抑制重复识别,减少了神经网络的判断次数,提高了系统运行效率。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
2.根据权利要求1所述的一种基于循环肿瘤细胞图像的重复识别抑制方法,其特征在于,识别步骤如下:
S1:通过对采集到的图像进行预处理筛选出需要送入后级神经网络判断的目标区域;
S2:在预处理的同时利用重复识别抑制算法消除重复识别的目标,重复识别抑制算法的具体原理如图2所示。对于有重叠面积的目标区域A和B,计算两者的重叠面积S,我们定义将与前一块区域Ratio大于0.4的区域删除,小于0.4的区域保留。使用了重复识别抑制算法与原来的效果对比如图3所示;
S3:对于去除了重复识别的所有目标区域,将它们送入搭建好的深度神经网络进行计算,并给出最终的判断结果,深度神经网络算法运行在集成了NPU的硬件平台上;
S4:获取所有被判断为癌细胞的区域的位置信息并保存;
S5:根据判断过程中获取的位置信息用方框在原始图像中标记出癌细胞的位置,显示最终的检测结果。
3.根据权利要求2所述的一种基于循环肿瘤细胞图像的重复识别抑制方法,其特征在于,所述步骤S3中的深度神经网络是以卷积神经网络为例搭建网络结构模型。
4.根据权利要求3所述的一种基于循环肿瘤细胞图像的重复识别抑制方法,其特征在于,所述网络结构模型包括:卷积层、池化层、全连接层和softmax层。
5.根据权利要求4所述的一种基于循环肿瘤细胞图像的重复识别抑制方法,其特征在于,所述卷积层局部感受野窗口大小设置为5×5,步长为1,采用Relu作为激活函数。
6.根据权利要求4所述的一种基于循环肿瘤细胞图像的重复识别抑制方法,其特征在于,所述池化层窗口大小为2×2,步长为2。
7.根据权利要求4所述的一种基于循环肿瘤细胞图像的重复识别抑制方法,其特征在于,所述全连接层采用Sigmoid函数作为激活函数,为了避免过度拟合,在神经网络训练过程中对全连接层采取弃权操作,弃权比例设置为0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111499901.6A CN114140830A (zh) | 2021-12-09 | 2021-12-09 | 一种基于循环肿瘤细胞图像的重复识别抑制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111499901.6A CN114140830A (zh) | 2021-12-09 | 2021-12-09 | 一种基于循环肿瘤细胞图像的重复识别抑制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114140830A true CN114140830A (zh) | 2022-03-04 |
Family
ID=80385411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111499901.6A Pending CN114140830A (zh) | 2021-12-09 | 2021-12-09 | 一种基于循环肿瘤细胞图像的重复识别抑制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114140830A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115409844A (zh) * | 2022-11-02 | 2022-11-29 | 杭州华得森生物技术有限公司 | 循环肿瘤细胞检测设备及其方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009544A (zh) * | 2017-12-13 | 2018-05-08 | 北京小米移动软件有限公司 | 目标检测方法及装置 |
CN111326238A (zh) * | 2020-02-11 | 2020-06-23 | 苏州大学 | 基于滑动窗的癌细胞检测装置 |
CN112800870A (zh) * | 2021-01-13 | 2021-05-14 | 上海电力大学 | 一种基于层间覆盖比的非极大抑制方法及系统 |
-
2021
- 2021-12-09 CN CN202111499901.6A patent/CN114140830A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009544A (zh) * | 2017-12-13 | 2018-05-08 | 北京小米移动软件有限公司 | 目标检测方法及装置 |
CN111326238A (zh) * | 2020-02-11 | 2020-06-23 | 苏州大学 | 基于滑动窗的癌细胞检测装置 |
CN112800870A (zh) * | 2021-01-13 | 2021-05-14 | 上海电力大学 | 一种基于层间覆盖比的非极大抑制方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115409844A (zh) * | 2022-11-02 | 2022-11-29 | 杭州华得森生物技术有限公司 | 循环肿瘤细胞检测设备及其方法 |
CN115409844B (zh) * | 2022-11-02 | 2023-02-03 | 杭州华得森生物技术有限公司 | 循环肿瘤细胞检测设备及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800824B (zh) | 一种基于计算机视觉与机器学习的管道缺陷识别方法 | |
CN110276356B (zh) | 基于r-cnn的眼底图像微动脉瘤识别方法 | |
Li et al. | Accurate retinal vessel segmentation in color fundus images via fully attention-based networks | |
CN110490850B (zh) | 一种肿块区域检测方法、装置和医学图像处理设备 | |
Kowal et al. | Computer-aided diagnosis of breast cancer based on fine needle biopsy microscopic images | |
US20210118144A1 (en) | Image processing method, electronic device, and storage medium | |
CN109389129A (zh) | 一种图像处理方法、电子设备及存储介质 | |
CN112150476A (zh) | 基于时空判别性特征学习的冠状动脉序列血管分割方法 | |
CN114998210B (zh) | 一种基于深度学习目标检测的早产儿视网膜病变检测系统 | |
CN112348059A (zh) | 基于深度学习的多种染色病理图像分类方法及系统 | |
WO2021159686A1 (zh) | 基于滑动窗的癌细胞检测装置 | |
CN116758336A (zh) | 一种基于人工智能的医学图像智能分析系统 | |
CN114897782B (zh) | 基于生成式对抗网络的胃癌病理切片图像分割预测方法 | |
CN112183237A (zh) | 基于颜色空间自适应阈值分割的白细胞自动分类方法 | |
Chapaneri et al. | Plant disease detection: A comprehensive survey | |
CN114782948A (zh) | 一种对宫颈液基细胞学涂片的全局判读方法及系统 | |
CN113344933B (zh) | 一种基于多层次特征融合网络的腺体细胞分割方法 | |
CN114140830A (zh) | 一种基于循环肿瘤细胞图像的重复识别抑制方法 | |
Zabihi et al. | Vessel extraction of conjunctival images using LBPs and ANFIS | |
CN116092667A (zh) | 基于多模态影像的疾病检测方法、系统、装置及存储介质 | |
Akyol et al. | Assessing the importance of features for detection of hard exudates in retinal images | |
Wu et al. | Mscan: Multi-scale channel attention for fundus retinal vessel segmentation | |
Ara et al. | Novel approach of brain tumor segmentation using convolutional neural network hybridized with water cycle algorithm | |
Widodo et al. | SEGMENTATION OF LUNG CANCER IMAGE BASED ON CYTOLOGIC EXAMINATION USING THRESHOLDING METHOD | |
Elzennary et al. | Early Deep Detection for Diabetic Retinopathy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |